3. 误检漏检根因分类框架

在 CV-X 系列视觉系统的现场治理中，误检（把良品判为不良）和漏检（把不良判为良品）往往不是单一原因造成的。如果每次出现问题都从"调阈值"开始，很容易陷入反复修改、反复复发的循环。更有效的做法是先建立一套根因分类框架，把现象快速归入光学、机械、电气、算法、环境、工件、通信七类中的一类或几类，再按优先级逐层排查。本节给出这七类根因的识别方法、典型现象和排查顺序。

七类根因的定位与识别方法

光学类根因指成像链路本身的问题，包括镜头选型不当、光圈/焦距失配、光源角度或亮度衰减、滤光片污染、相机靶面脏污等。典型现象是图像整体偏暗、边缘发虚、反光过曝或对比度不足，且同一工件在不同时间成像差异明显。识别方法：调出实时图像，观察灰度直方图分布；用标准测试板或量块确认边缘锐度；检查光源是否有频闪或衰减。光学问题通常优先级最高，因为成像质量是后续所有判断的基础。

机械类根因指工件与相机之间的相对位置、姿态、运动稳定性问题，包括夹具松动、传送带抖动、工件倾斜、镜头支架位移、触发位置偏移等。典型现象是同一工件重复拍摄时位置漂移，或检测区域在图像中周期性偏移。识别方法：连续采集 20～30 帧，观察特征边缘坐标的重复性；用定位标记（Mark 点）的坐标标准差判断机械稳定性。机械问题常与光学问题叠加，需先排除机械漂移再评估光学。

电气类根因指供电、接地、信号电平、触发时序等电气链路问题，包括 24V 电源纹波、相机与控制器接地不良、触发信号抖动、I/O 电平不匹配、编码器信号丢失等。典型现象是图像偶发丢帧、触发不同步、通信报错，且与生产节拍或设备启停相关。识别方法：用示波器观察触发脉冲和电源纹波；检查相机与 PLC 的共地情况；查看 CV-X 的触发计数与采集计数是否一致。

算法类根因指检测逻辑、阈值、区域、预处理参数设置不当，包括二值化阈值过严或过松、边缘检测参数不匹配、模板匹配相似度阈值不合理、ROI 区域偏移、特征量选择错误等。典型现象是误检与漏检同时存在且随参数微调大幅波动。识别方法：导出判定分数分布，观察良品与不良品的分数重叠区；用同一批样本做参数扫描，找到误检率与漏检率的平衡点。

环境类根因指温度、湿度、振动、环境光、粉尘、电磁干扰等外部条件变化，包括车间日光灯频闪、阳光直射、空调气流导致工件微动、温度变化引起镜头热胀冷缩等。典型现象是白天与夜班检测结果不一致，或季节交替时误检率上升。识别方法：记录不同时段的环境光强度和温度，对比检测结果；在光源上加装遮光罩后复测。

工件类根因指被检工件本身的差异，包括表面粗糙度、颜色批次差、毛刺、油污、反光特性、尺寸公差等。典型现象是同一型号不同批次的工件误检率差异大，而设备参数未变。识别方法：按批次抽样，统计各批次的特征量分布；用标准件与可疑件对比成像。

通信类根因指相机、控制器、PLC、上位机之间的数据链路问题，包括网线接触不良、交换机带宽不足、协议超时、IP 冲突、数据丢包等。典型现象是检测结果偶发丢失或延迟，且与网络负载相关。识别方法：查看通信错误计数、ping 测试丢包率、抓包分析触发与结果回传时序。

排查优先级与实操建议

七类根因并非同等重要。根据现场经验，建议按以下优先级推进：光学 → 机械 → 电气 → 算法 → 环境 → 工件 → 通信。原因在于，前四类属于"设备与系统层"，一旦不稳定，后三类的判断都会被干扰；而通信类问题通常表现为独立的数据丢失，不与其他六类混淆，可以单独并行排查。

具体操作时，可以先用"快速判别口诀"缩小范围：如果图像本身质量差，优先查光学、环境和工件；如果图像清晰但位置漂移，优先查机械和电气触发；如果图像和位置都正常但判定结果混乱，优先查算法和通信。例如，某产线出现漏检，先调出实时图像，发现边缘发虚、对比度低，则先检查镜头焦距和光源角度，而不是直接改二值化阈值。调整后复测 30 件，若漏检消失且误检未上升，说明根因在光学；若仍偶发，再按机械、电气顺序继续排查。

需要强调的是，七类根因之间会相互耦合。例如，机械振动会导致图像模糊，看起来像光学问题；环境光变化会改变工件反光特性，看起来像工件问题。因此，排查时应遵循"先物理、后逻辑"的原则，先确认成像链路和机械稳定性，再进入算法参数调整。只有把根因定位到具体类别，后续的阈值修改、光源更换或夹具加固才有明确方向，误检漏检治理才能从"救火"转为"预防"。